🚀 ریپازیتوری ارزشمند پر از پروژه‌های GenAI و AI Agents!

این ریپازیتوری شامل پروژه‌ها و مثال‌هایی است که در کتگوری‌های متنوع و با فریمورک‌های مختلف پیاده‌سازی شده‌اند و به راحتی قابل اجرا هستند.

💡 نمونه‌هایی از ایجنت‌های موجود:

دستیار مدیریت پروژه
دستیار تحلیل محتوا
عامل جستجوگر وب
دستیار خرید
و…
https://github.com/NirDiamant/GenAI_Agents?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

فرقی نمی‌کنه LLM شما چقدر باهوش باشه…
📌 کلید موفقیت در داده‌هایی هست که داخل Context Window می‌ذارید!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اولین مدل Vision Language ساخته‌شده روی OpenAI GPT-OSS منتشر شد! 🎉
این مدل جدید با نام InternVL 3.5 معرفی شده و کلی قابلیت خفن داره:

🔹 همراه با ۳۲ مدل مختلف (هم pretrain شده، هم fine-tune).
🔹 در بخش LLM از gpt-oss یا Qwen3 استفاده می‌کنه.
🔹 اندازه‌ی مدل‌ها از ۱ میلیارد تا ۲۴۱ میلیارد پارامتر متغیر هست.

HuggingFace: https://huggingface.co/collections/OpenGVLab/internvl35-68ac87bd52ebe953485927fb

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

MIRAGE: Scaling Test-Time Inference
with Parallel Graph-Retrieval-Augmented Reasoning Chains

روش های موجود مانند search-o1 که با تقویت بازیابی در RAGها انجام میشوند اما به زنجیره‌ی استدلال خطی و واحد متکی هستند و اطلاعات متنی غیرساختاریافته را به‌صورت تخت و بدون در نظر گرفتن زمینه وارد می‌کنند که نتیجه این کار ها باعث انباشه شدن خطا در طول زنجیره‌ی استدلال میشود که این روش توی پرش و پاسخ های پزشکی محدود میکنه (Medical QA) که برای حل این چالش آمدن MIRAGE معرفی کردن که پرسش ها رو به چند تا زیر پرسش های مبتی بر موجودیت تقسیم میکنه و زنجیره های استدلال رو به صورت موازی اجرا میکنه و میاد بازیابی لازم رو از طریق گسترش همسایگی و پیمایش چندمرحله‌ای انجام میده و در آخر پاسخ ها را با اعتبارسنجی میان‌زنجیره‌ای ادغام کرده و تناقض‌ها را برطرف می‌سازد.

اطلاع بیشتر👇
https://arxiv.org/pdf/2508.18260

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📂 یه ریپازیتوری فوق‌العاده در گیت‌هاب منتشر شده که کل مسیر طراحی یک سیستم یادگیری ماشین (ML) رو پوشش می‌ده.

این ریپو شامل چهار گام اصلیه:
- Project setup
- Data pipeline
- Modeling: selecting, training, and debugging
- Serving: testing, deploying, and maintaining

https://github.com/chiphuyen/machine-learning-systems-design

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چطور می‌توان در زبان برنامه‌نویسی Malbolge عبارت «Hello world» را نوشت؟

زبان Malbolge به‌عنوان یکی از سخت‌ترین زبان‌ها برای برنامه‌نویسی شناخته می‌شود. نوشتن حتی ساده‌ترین برنامه‌ها در این زبان به‌شدت دشوار است. اولین برنامه‌ی «Hello World» در Malbolge تنها با کمک یک الگوریتم کامپیوتری ساخته شد، چراکه نوشتن آن به‌صورت دستی عملاً غیرممکن است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره آموزشی «LLM Zoomcamp»
توی این دوره آمده به کابردهای واقعی LLMها پرداخته و اینکه یاد میگیری که چه طوری یک سیستم هوش مصنوعی بسازی و برای افرادی که هیچ پیش‌زمینه‌ای در زمینه هوش مصنوعی یا یادگیری ماشین ندارند، مناسب می باشد.

https://www.youtube.com/playlist?list=PL3MmuxUbc_hIB4fSqLy_0AfTjVLpgjV3R

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

توی این ریپازیتوری می‌تونی PageIndex رو ببینی: سیستمی که مثل یه کارشناس واقعی، فکر و استدلال می‌کنه تا مرتبط‌ترین بخش‌های اسناد طولانی رو پیدا کنه. 🔍
دو مرحله ساده داره:
1️⃣ ساخت فهرست درختی از سند
2️⃣ جستجوی هوشمند و منطقی توی درخت

https://github.com/VectifyAI/PageIndex?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 اگه قصد دارین AI Agent درست کنین، حتما این دوتا تکنولوژی رو یاد بگیرین:

✨ ۱- Google ADK
یک فریمورک فوق‌العاده قدرتمند برای ساختن ایجنت‌ها که الان به سرعت داره توی صنعت فراگیر میشه.

✨ ۲- Agent2Agent (A2A) Protocol
پروتکلی برای ارتباط ایجنت‌ها با همدیگه.

📌 نکته مهم اینه که خود ریپوهای رسمی این ابزارها پر از مثال‌های عالی هستن و می‌تونین خیلی سریع و عملی باهاشون کار یاد بگیرین.

-A2A: https://github.com/a2aproject/A2A
- ADK: https://google.github.io/adk-docs/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📂 توی ریپازیتوری زیر، همه‌ی لینک‌های منابع رایگان برای یادگیری Machine Learning رو جمع‌آوری شده🚀

https://github.com/victor-explore/Machine-Learning-Library


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

شرکت Hugging Face ابزاری متن‌باز به نام AI Sheets ارائه کرده که به شما امکان می‌دهد بدون نیاز به کدنویسی، دیتاست‌ها را بسازید، ویرایش کنید یا غنی‌سازی کنید. این ابزار هم روی سیستم شخصی قابل اجراست و هم روی Hugging Face Hub. به این ترتیب می‌توانید به هزاران مدل موجود در Hub دسترسی داشته باشید؛ چه از طریق Inference Providers و چه مدل‌های لوکال، حتی شامل مدل‌های gpt-oss از OpenAI.

https://github.com/huggingface/aisheets

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

شرکت چینی Moonshot AI قابلیتی جدید به Kimi اضافه کرده به نام PPT Assistant. با این ابزار می‌توانید تنها با وارد کردن یک متن ساده یا حتی فایل‌های PDF و Word، بلافاصله یک پاورپوینت حرفه‌ای و آماده ارائه بسازید. نکته جذاب اینکه این قابلیت به‌طور کامل از زبان فارسی پشتیبانی می‌کند و کاملاً رایگان است؛ بدون هیچ محدودیتی.

https://www.kimi.com/kimiplus/cvvm7bkheutnihqi2100

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

MIT: Machine Learning for Computational Biology

این دوره MIT قراره نشون بده چطور می‌شه با کمک هوش مصنوعی و یادگیری ماشین، دنیای زیست‌شناسی رو از ژنوم و پروتئین گرفته تا درمان‌ها و داده‌های بیماران، عمیق‌تر درک کرد. موضوعاتی مثل مدل‌های زبانی ژنوم و پروتئین، AlphaFold2، اپی‌ژنومیک، کشف دارو با AI و تحلیل داده‌های پزشکی رو پوشش می‌ده. به زبان ساده، پلیه بین علم داده و زیست‌شناسی برای کشف‌های مهم در سلامت و داروسازی.

Fall'24 Lecture Videos: http://tinyurl.com/MLCBlectures
Fall'24 Lecture Notes: http://tinyurl.com/MLCB24notes


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یه پکیج اومده که میگه می‌شه سیستم RAG مقیاس‌پذیر و با بهره‌وری بالا ساخت، کاملاً لوکال و رایگان!
https://github.com/yichuan-w/LEANN

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 چرا Momentum تو بهینه‌سازی انقدر موثره؟
اگه دوست داری بفهمی چرا الگوریتم‌های Momentum و Gradient Descent انقدر سریع و هوشمند عمل می‌کنن و چطور با مفهوم “eigenfeatures” و تحلیل منحنی خطا به سرعت به جواب می‌رسن، این سایت یه منبع عالیه:
https://distill.pub/2017/momentum/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 معرفی ریپازیتوری جذاب:
https://github.com/aishwaryanr/awesome-generative-ai-guide

این ریپازیتوری مثل یک مرکز جامع برای منابع GenAI عمل می‌کنه و پر از آپدیت‌های تازه در مورد:
🔹 مقالات جدید حوزه Generative AI
🔹 منابع مصاحبه و سوالات رایج
🔹 نوت‌بوک‌ها و ریپازیتوری‌های کدنویسی
🔹 دوره‌های رایگان (بیش از ۹۰ دوره مختلف)
🔹 نقشه‌راه‌های یادگیری (RAG، LLM Foundations، Agents و …)

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این ریپازیتوری اومده مسیر شروع هوش مصنوعی رو نشون داده؛ از پایه مفاهیم رو توضیح داده و همه چیز رو با کد داخل نوت‌بوک‌های Jupyter آورده.

https://github.com/fastai/fastbook/blob/master/01_intro.ipynb

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 پایتورچ برای یادگیری عمیق 🔥

یه مجموعه کامل از منابع پایتورچ توی گیت‌هاب؛ شامل مدل‌ها، پیاده‌سازی مقالات، کتابخونه‌های کمکی، کتاب‌ها، آموزش‌ها و حتی کنفرانس‌ها 🎯

https://github.com/bharathgs/Awesome-pytorch-list

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دانشجوهای برکلی یه مدل به اسم SkyRL-SQL-7B ساختن که با یه روش جدید به اسم RL چندمرحله‌ای آموزش داده شده. فرقش با روش‌های معمول اینه که می‌تونه کوئری SQL رو مرحله‌به‌مرحله بهتر کنه تا آخرش به جواب دقیق برسه.

نکته جالب اینجاست که با فقط حدود ۶۰۰ نمونه آموزشی تونسته روی دیتاست معروف Spider حدود ۹٪ دقت بیشتر بیاره و حتی از مدل‌های بزرگی مثل GPT-4o هم بهتر بشه!
کد و مدلش هم بازه و میشه راحت برای تسک‌های دیگه فاین‌تیونش کرد.

https://novasky-ai.notion.site/skyrl-sql

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 یک دوره‌ی تازه و ارزشمند از دانشگاه UCLA برای بهار ۲۰۲۵ منتشر شده:
Reinforcement Learning of Large Language Models

این مجموعه سخنرانی‌ موضوعات متنوعی درباره‌ی ترکیب یادگیری تقویتی و مدل‌های زبانی بزرگ رو پوشش می‌ده، مثل:

مبانی و پایه‌های RL
بحث Test-time compute
روش RLHF
و حتی RL با پاداش‌های قابل‌اعتبار (RLVR)

یک منبع عالی برای کسایی که می‌خوان درک عمیق‌تری از RL در LLMها پیدا کنن.

https://ernestryu.com/courses/RL-LLM.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer